基于XGBoost模型的钢筋混凝土梁长期挠度预测研究

摘要：

为准确地对钢筋混凝土(Reinforced Concrete,RC)梁的长期挠度进行预测,首先收集了 RC梁的长期挠度试验数据,随后基于极度梯度提升树(eXtreme Gradient Boosting,XGBoost)建立了 RC梁长期挠度预测模型,在试验数据集上进行了模型精度的测试,并与基于支持向量回归基(Support vector regression,SVR)和反向传播神经网络(Back Propagation Neural Network,BPNN)建立的预测模型进行比对.结果表明,本研究建立的基于XGBoost模型的RC梁长期挠度预测模型在训练集、测试集上的决定系数分别达到1.000 0、0.981 8,可用于RC梁的长期变形挠度预测;与基于SVR和BPNN建立的模型相比,XGBoost模型的均方根误差分别降低了 98.03％、15.93％和99.47％、85.97％,平均绝对百分比误差分别降低了 95.51％、11.81％和96.40％、30.83％,优势明显.最后,基于XGBoost模型对RC梁的长期挠度进行了全局灵敏度分析,对影响参数进行了重要性排序.本研究结果证明了基于XGBoost的预测模型在该领域具有优异的性能.

关键词：钢筋混凝土梁、XGBoost、长期挠度预测、机器学习、全局灵敏度分析

所属期刊栏目：23

分类号：TU59(建筑材料)

资助基金：安徽省教育厅重大项目;安徽省教育厅重点项目;企业横向课题;企业横向课题;企业横向课题

在线出版日期：2024-09-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：98-105